LLM应用开发必备！这个2万Star的Skill把RAG、Agent、LLMOps全给你跑通了
如果你在搞 LLM 应用，这篇文章值得先收藏再往下看。
最近 GitHub 上有一个叫 LLM Application Patterns 的 Skill，火速攒到了接近 2 万 Star。它的定位很明确——把 Dify 和行业最佳实践里那些”只有内行人才知道”的模式，封装成 AI Agent 可直接调用的 Skill。说是 Skill，其实更像一本可以跑的生产级代码手册。
最值钱的几个模块
RAG 流水线：从文档分块（Chunking）到向量检索再到生成，全套代码模板都给你了。它甚至列出了四大向量数据库（Pinecone / Weaviate / ChromaDB / pgvector）的适用场景对比，还有 embedding 模型选型建议（OpenAI BGE vs 本地 BGE-large）。
Agent 架构全家桶：ReAct 模式、Function Calling、Plan-and-Execute、多 Agent 协作——四种主流范式各有一套可运行的 Python 类，不是那种只讲概念的伪代码。尤其是多 Agent 协作那部分，有个 CriticAgent 负责 review 输出，不满意就迭代重跑，挺有意思的。
Prompt IDE 模式：包括模板变量化、版本管理 + A/B 测试、Prompt Chaining（研究→分析→摘要自动串联）。有个 PromptRegistry 类直接可以抄来用。
LLMOps 可观测性：埋点日志、分布式追踪（OpenTelemetry）、延迟/成本/错误率指标、Cache + Retry + Fallback 完整策略。这部分对于想把 LLM 应用真正推到生产环境的团队特别实用。
为什么值得重视
现在开源的 LLM 教程一抓一大把，但大多数只教你”怎么调 API”。真正缺的是生产级架构参考——RAG 怎么选分块策略、多 Agent 之间怎么通信、LLM 调用失败了怎么处理。这些问题在这个 Skill 里都有答案，而且代码是可以直接搬进项目的。
另外它还附了一张 架构决策矩阵：什么场景用什么模式、复杂度多少、成本多少，一目了然。这个对于技术选型和 Code Review 特别有用。
怎么用
在 Smithery.ai 搜索 llm-app-patterns 找到 davila7/llm-app-patterns，下载 SKILL.md 加载到你的 AI Agent（比如 Claude Code、Cursor、OpenClaw 等支持 Skills 的平台）就可以了。也可以直接去 GitHub 看源码。
对于正在构建 AI 应用的开发者，这个 Skill 相当于一份经过社区验证的”架构踩坑指南”，能帮你少走很多弯路。
评论区
登录后可评论。